一种基于先验知识的扩散模型风电功率预测方法技术

本发明专利技术公开了一种基于先验知识的扩散模型风电功率预测方法，属于风电功率预测领域

【技术实现步骤摘要】
一种基于先验知识的扩散模型风电功率预测方法


[0001]本专利技术涉及风电功率预测领域，尤其适用于一种基于先验知识的扩散模型风电功率预测方法
。

技术介绍

[0002]随着风电并网规模的不断扩大，风力发电对电力系统运行的影响也日益显著
。
因此如何提高预测技术对风电功率的预测精度成为了当下的一个研究热点
。
[0003]越来越多的深度学习工具被引入到风电功率预测领域，常见的模型有卷积神经网络
(CNN)、
长短期记忆网络
(LSTM)
以及其门控循环单元
(GRU)
等深度学习网络，此类方法常应用于短期和超短期预测任务
。CNN
主要用于图像处理中的特征值提取，多维信息的处理中优势明显
。
但是对于一维时序的风电信号的特征识别，由于信息量过少，特征识别效果不是很显著
。
有学者提出基于格拉姆角场将原始一维风电功率数据转化成二维视觉图像，并将该可视化图像数据输入
CNN
中，实现在二维图像表示下对风电信号时序特征的有效提取
。
但是一维数据和二维数据的特征不同，在转换时容易引入一些冗余信息，导致模型容易过拟合
。
目前在风电预测领域较为广泛的是
LSTM
和与其类似的
GRU
，以及两者的变形
。
但是这类方法存在当预测风电信号突变的时候容易出现“上不来，下不去”的问题，以及略微滞后的问题<br/>。
现有多数研究利用算法优化模型自身参数或是构造网络层次更加复杂的模型以实现更高精度的预测
。
例如，有学者提出利用遗传算法的全局优化策略优化
LSTM
的窗口大小和神经元数量用于风电预测
。
但是，该方法只是针对了
LSTM
内部的参数和结构进行改进，并没有在预测模型中考虑风电信号的特性
。
[0004]扩散模型是一类深层生成模型，扩散模型开始逐步应用于时间序列建模中，且取得了显著的成效，但是尚未应用到风电功率预测领域
。
风电领域存在可以大量使用的先验知识，因此可以考虑使用风电先验知识注入模型，结合风电信号的特点和扩散模型的结构优势进行预测
。
以提高模型的预测精度
。

技术实现思路

[0005]专利技术目的：为了克服现有技术存在的不足之处，本专利技术提出一种基于先验知识的扩散模型风电功率预测方法；通过结合风电特性，将扩散模型引入到风电预测领域，利用风电的先验知识弥补扩散模型在图形领域中扩散纯粹随机的问题；使得模型的前向加噪过程可依据先验知识指导进行扩散，同时使反向去噪过程生成的数据更符合风电预测的实际数据，能够有效地提高预测精度
。
[0006]技术方案：为实现上述技术目的，本专利技术的一种基于先验知识的扩散模型风电功率预测方法，其特征在于，包括以下步骤：
[0007]步骤1：通过风电机组实际历史发电功率的真实值和预测值作差，获取历史预测误差，采用高斯分布拟合归一化后的预测误差，得到相应的高斯分布参数；
[0008]步骤2：根据拟合高斯分布参数，推导采样分布参数获得采样分布，并从中随机采
样，获得对应扩散步长下的采样噪声，逐步将风电历史预测误差分布的信息作为先验知识以采样噪声的形式传递给扩散模型；
[0009]步骤3：建立基于先验知识的预测模型，并进行训练，所述预测模型包括顺序结合的深度学习网络和扩散模型；
[0010]步骤4：通过将当前时刻前6个风电功率数据输入基于先验知识的预测模型进行风电预测中，得到最终预测结果
。
[0011]进一步，所述步骤1包括如下具体步骤：
[0012]步骤
1.1
：历史风电机组的风电功率数据按照采样点的时间顺序排列，将历史风电机组的风电功率数据按照
2:1:1
划分为训练集
、
验证集和测试集，并利用验证集获得历史预测误差数据集；
[0013]步骤
1.2
：归一化基于步骤
1.1
获得的历史预测误差数据集，然后通过高斯拟合即得到带有风电预测误差特性的拟合分布，由此获得拟合高斯参数；
[0014]其中，风电预测领域中预测值
、
实际值和预测误差历史数据都可称为风电预测的先验知识；此处风电的先验知识以拟合高斯参数的形式存在
。
[0015]进一步，所述步骤2包括如下具体步骤：
[0016]步骤
2.1
：根据扩散模型前向过程的特点，获取所述基于先验知识的扩散模型风电功率预测方法中任意步长下的数据通式；
[0017]根据高斯分布的叠加公式可知，任意扩散步长
n
下，经噪声处理后的数据通式为：
[0018][0019]式中：为相应扩散步长下的采样噪声，其中
n
为任意扩散步长，
1≤n≤N
，
I
为单位矩阵，
α
n
＝1‑
β
n
，
β
n
为扩散过程每一步添加噪声的方差；为经高斯叠加后的合并采样噪声；为扩散步长
n
下的待预测噪声，其中
μ
′
，
(
σ
′
)2分别为采样分布的均值和方差
。x
′
为传递数据，由于因此
x
′
为经数据压缩后的
x0，
x0在扩散过程中将自身波形特性传递给
x
′
；
x
n
为前向加噪过程中的任意扩散步长
n
下，经噪声处理后的数据；
[0020]步骤
2.2
：根据拟合高斯分布推导采样分布的参数；
[0021]当扩散步数
n
达到预设扩散总步数
N
时，为了使最终扩散区域的分布受拟合高斯分布的指导，令扩散步长
n
下待预测的噪声
ε
′
n
～
N(
μ
,
σ2I)
，其中
μ
，
σ2分别为高斯拟合预测误差
得到分布的均值和方差；通过
μ
、
μ
′
和
σ
、
σ
′
间的运算式关系，可得到
μ
′
和
σ
′
，具体计算公式为：
[0022][0023]σ
′
＝
σ
[0024]参数
μ
′
和
σ
′
构成采样分布，所述预测方法中扩散模型的前向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于先验知识的扩散模型风电功率预测方法，其特征在于，包括以下步骤：步骤1：通过风电机组实际历史发电功率的真实值和预测值作差，获取历史预测误差，采用高斯分布拟合归一化后的预测误差，得到相应的高斯分布参数；步骤2：根据拟合高斯分布参数，推导采样分布参数获得采样分布，并从中随机采样，获得对应扩散步长下的采样噪声，逐步将风电历史预测误差分布的信息作为先验知识以采样噪声的形式传递给扩散模型；步骤3：建立基于先验知识的预测模型，并进行训练，所述预测模型包括顺序结合的深度学习网络和扩散模型；步骤4：通过将当前时刻前6个风电功率数据输入基于先验知识的预测模型进行风电预测中，得到最终预测结果
。2.
根据权利要求1所述的基于先验知识的扩散模型风电功率预测方法，其特征在于，所述步骤1包括如下具体步骤：步骤
1.1
：历史风电机组的风电功率数据按照采样点的时间顺序排列，将历史风电机组的风电功率数据按照
2:1:1
划分为训练集
、
验证集和测试集，并利用验证集获得历史预测误差数据集；步骤
1.2
：归一化基于步骤
1.1
获得的历史预测误差数据集，然后通过高斯拟合即得到带有风电预测误差特性的拟合分布，由此获得拟合高斯参数；其中，风电预测领域中预测值
、
实际值和预测误差历史数据都可称为风电预测的先验知识；此处风电的先验知识以拟合高斯参数的形式存在
。3.
根据权利要求1所述的基于先验知识的扩散模型风电功率预测方法，其特征在于，所述步骤2包括如下具体步骤：步骤
2.1
：根据扩散模型前向过程的特点，获取所述基于先验知识的扩散模型风电功率预测方法中任意步长下的数据通式；根据高斯分布的叠加公式可知，任意扩散步长
n
下，经噪声处理后的数据通式为：式中：为相应扩散步长下的采样噪声，其中
n
为任意扩散步长，
1≤n≤N
，
I
为单位矩阵，
α
n
＝1‑
β
n
，
β
n
为扩散过程每一步添加噪声的方差；为经高斯叠加后的合并采样噪声；为扩散步长
n
下的待预测噪声，其中
μ
′
，
(
σ
′
)2分别为采样分布的均值和方差；
x
′
为传递数据，由于因此
x
′
为经数据压缩后的
x0，
x0在扩散过程中将自身波形特性传递给
x
′
；
x
n
为前向加噪过程中的任意扩散步长
n
下，经噪声处理后的数据；步骤
2.2
：根据拟合高斯分布推导采样分布的参数；当扩散步数
n
达到预设扩散总步数
N
时，为了使最终扩散区域的分布受拟合高斯分布的指导，令扩散步长
n
下待预测的噪声其中
μ
，
σ2分别为高斯拟合预测误差得到分布的均值和方差；通过
μ
、
μ
′
和
σ
、
σ
′
间的运算式关系，可得到
μ
′
和
σ
′
，具体计算公式为：
σ
′
＝
σ
参数
μ
′
和
σ
′
构成采样分布，所述预测方法中扩散模型的前向加噪过程的每一步均从该分布中随机采样；到此，实现将风电预测的先验知识以噪声的形式引入扩散模型；且
n
＝
1,2,
…
,N
，不同下标的相同字符无需赘述其表示含义，均为同种含义
。4.
根据权利要求1所述的基于先验知识的扩散模型风电功率预测...

【专利技术属性】
技术研发人员：韩丽，程颖洁，陈硕，王施琪，王俊杰，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：